面部合成中开放式身份保持的探索
本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络(GAN),可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像,并且该模型可以提高面部识别模型的准确率。
Oct, 2018
本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法,强调在改变面部属性的同时,保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法,通过现有的面部识别和年龄估计解决方案,对所得到的老化和回复面部图像进行客观评价,证明了所提方法的高潜力。
Feb, 2017
本文提出了一种基于 TP-GAN 网络的真实主观正面合成方法,通过引入对局部纹理的注意力网络,并结合对称损失、身份保留损失等方式来解决这个本质上存在不确定性的挑战性问题。实验结果表明,该方法不仅在感知结果上表现出色,而且在大角度人脸识别方面也优于现有的最新方法。
Apr, 2017
本研究提出了一种三方博弈生成对抗网络 (IDnet),用于生成具有较高标识鉴别性的合成人脸图像,并证明其在人脸识别应用中的可行性和优越性。
Apr, 2023
本文提出一种几何引导生成对抗网络 (G2-GAN),通过面部几何条件(标识点)来引导特定表情的面部纹理合成,实现逼真的与身份保护面部表情合成,并取得了良好的实验效果。
Dec, 2017
该论文提出 AdvFaces,一种基于生成对抗网络 (GAN) 的自动化方法,用最小的扰动生成看似合法但实际上能够欺骗最新人脸识别系统的假冒人脸或模糊真正主题的攻击性人脸图像。
Aug, 2019
本研究提出了一种混合方法,通过头部替换来混淆照片中的身份信息,结合参数化人脸合成技术和生成对抗网络的最新进展,该方法可以对面部参数进行控制并允许对身份进行显式操作,并且可以添加细节和整体逼真度,实验结果表明该系统的输出相对原始图像的相似度更高,同时改进了遮蔽率。
Apr, 2018
本文通过优化模型,采用基于 CNN 的深度卷积网络 VGG-Face,通过特定属性生成具有参考图像身份信息的人脸图像的优化问题,结果表明,该方法能够有效地实现基于属性驱动的身份保持人脸生成。
Aug, 2016
本研究提出了 BlendFace,一种用于换脸的新型身份编码器,通过在混合图像上训练面部识别模型并引导生成器,解决了现有方法中存在的身份 - 属性纠缠问题。大量实验证明 BlendFace 在换脸模型中提高了身份与属性的分离效果,并且在定量性能上与之前的方法相当。
Jul, 2023